Intel und Penn Medicine führen größte medizinische Studie zu federated Learning durch

Intel (INTC ) Labs und die Perelman School of Medicine an der University of Pennsylvania (Penn Medicine) haben die Ergebnisse der größten medizinischen Studie zu federated Learning bekannt gegeben. Die gemeinsame Forschungsstudie nutzte Machine Learning (ML) und künstliche Intelligenz (KI), um internationalen Gesundheits- und Forschungseinrichtungen bei der Identifizierung maligner Hirntumore zu helfen.

Die Forschung wurde in Nature Communications veröffentlicht.

Eine beispiellose Studie

Die Studie umfasste ein beispielloses Datenset, das von 71 Einrichtungen auf sechs Kontinenten untersucht wurde, und ihre Ergebnisse zeigten die Fähigkeit, die Erkennung von Hirntumoren um 33% zu verbessern.

Jason Martin ist leitender Ingenieur bei Intel Labs.

“Federated Learning hat ein enormes Potenzial in zahlreichen Bereichen, insbesondere im Gesundheitswesen, wie unsere Forschung mit Penn Medicine zeigt”, sagte Martin. “Seine Fähigkeit, sensible Informationen und Daten zu schützen, öffnet die Tür für zukünftige Studien und Zusammenarbeit, insbesondere in Fällen, in denen Datensätze sonst unzugänglich wären. Unsere Arbeit mit Penn Medicine hat das Potenzial, Patienten auf der ganzen Welt positiv zu beeinflussen, und wir freuen uns darauf, die Versprechungen von federated Learning weiter zu erforschen.”

Datenzugänglichkeit im Gesundheitswesen

Datenzugänglichkeit ist eine große Herausforderung im Gesundheitswesen, da staatliche und nationale Datenschutzgesetze es schwierig machen, medizinische Forschung und Daten im großen Maßstab durchzuführen, ohne die Gesundheitsinformationen von Patienten zu gefährden. Dank der vertraulichen Rechnung ermöglichen die federated Learning-Hardware und -Software von Intel die Einhaltung von Datenschutzbedenken und bewahren die Datenintegrität.

Die Teams verarbeiteten große Datenmengen in einem dezentralen System mit Intels federated Learning-Technologie und Intels Software Guard Extensions (SGX), die dazu beitragen, Datenfreigabehindernisse zu beseitigen. Das System behandelt auch Datenschutzbedenken, indem es rohe Daten innerhalb der Recheninfrastruktur der Dateninhaber aufrechterhält. Modelldaten, die aus den Daten berechnet werden, können nur an einen zentralen Server oder Aggregator gesendet werden. Die Daten selbst können nicht gesendet werden.

Rob Enderle ist leitender Analyst bei Enderle Group.

“All die Rechenleistung der Welt kann nicht viel ausrichten, wenn nicht genug Daten zum Analysieren vorhanden sind”, sagte Enderle. “Diese Unfähigkeit, Daten zu analysieren, die bereits erfasst wurden, hat die enormen medizinischen Durchbrüche, die KI versprochen hat, erheblich verzögert. Diese Studie zu federated Learning zeigt einen gangbaren Weg auf, um KI voranzutreiben und ihr Potenzial als mächtigstes Werkzeug im Kampf gegen unsere schwierigsten Krankheiten zu erreichen.”

Spyridon Bakas, PhD, ist Assistant Professor für Pathologie und Laboratoriumsmedizin sowie Radiologie an der Perelman School of Medicine der University of Pennsylvania.

“In dieser Studie zeigt federated Learning sein Potenzial als Paradigmenwechsel bei der Sicherung von multi-institutionellen Zusammenarbeit, indem es den Zugang zum größten und vielfältigsten Datensatz von Glioblastom-Patienten ermöglicht, der jemals in der Literatur in Betracht gezogen wurde, während alle Daten innerhalb jeder Einrichtung zu jedem Zeitpunkt aufrechterhalten werden”, sagte Bakas. “Je mehr Daten wir in Machine-Learning-Modelle einfügen, desto genauer werden sie, was wiederum unsere Fähigkeit verbessern kann, seltene Krankheiten wie Glioblastome zu verstehen und zu behandeln.”

Es ist von entscheidender Bedeutung, dass Forscher Zugang zu großen Mengen medizinischer Daten haben, um Behandlungen voranzutreiben. Aber diese Menge an Daten ist normalerweise zu groß für eine Einrichtung. Mit der neuen Studie sind Forscher näher daran, multisite-Datensilos zu entsperren, um federated Learning im großen Maßstab voranzutreiben. Diese Fortschritte könnten viele Vorteile wie die frühzeitige Erkennung von Krankheiten mit sich bringen.